【YOLOv9改进[Conv]】使用DualConv助力V9更优秀

本文主要是介绍【YOLOv9改进[Conv]】使用DualConv助力V9更优秀，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一 DualConv(2022)

1 结合3×3卷积和1×1卷积核

2 DualConv

3 可视化

二使用DualConv助力V9更优秀

1 整体修改

2 配置文件

3 训练

一 DualConv(2022)

官方论文地址：https://arxiv.org/pdf/2202.07481.pdf

论文中提出了结合3×3组卷积和1×1点卷积的DualConv，解决了跨通道通信和原始输入特征映射中信息保存的问题。与HetConv相比，DualConv通过添加最少的参数来提高网络性能。将DualConv应用于常见的网络结构中进行图像分类和目标检测。通过比较标准卷积和DualConv的实验结果，验证了该方法的有效性和高效性。从实验结果来看，DualConv可以集成在标准和轻量级网络架构中，以提高网络精度，减少网络参数、计算成本和推理时间。本文还证明了DualConv可以很好地拟合各种图像数据集，并且具有很强的泛化能力。未来的研究工作将集中在嵌入式设备上的部署，以进一步证明DualConv在实际应用中的效率。

综上，DualConv的特点包括两个方面：

① 结合3×3卷积和1×1卷积。

② 使用组卷积技术高效地安排卷积滤波器。

1 结合3×3卷积和1×1卷积核

3×3卷积核在进行特征提取时可以捕获更多的空间信息，而1×1卷积核则可以在不增加过多参数和计算复杂度的前提下，进行特征通道之间的交互和信息整合。如下图1所示：

(a)标准卷积

(b)深度可分离卷积

(c)群卷积

(d)异质卷积

(e)提出DualConv。M为输入通道数(即输入特征图的深度)，N为卷积滤波器数和输出通道数(即输出特征图的深度)，Di为输入特征图的宽度和高度维度，K × K为卷积核大小，G为群卷积和对偶卷积的组数，1/P为异构卷积中3×3卷积核的比值。注意，异构过滤器以移位的方式排列。

2 DualConv

下图2为 DualConv的结构。

3 可视化

如下图3：ImageNet数据集上ResNet-50和MobileNetV1网络的示例图像的可视化。

(a)为原始输入图像

(b) ~ (g)为在ResNet-50网络上通过Grad-CAM方法获得的热图

(h) ~ (m)是在ResNet-50网络上结合引导反向传播与Grad-CAM的引导Grad-CAM可视化图

(n) ~ (s)是在MobileNetV1网络上通过Grad-CAM方法获得的热图

(t) ~ (y)是在MobileNetV1网络上结合引导反向传播与Grad-CAM的引导Grad-CAM可视化图

二使用DualConv助力V9更优秀

1 整体修改

① 新建 DualConv.py文件

在yolov9/models目录下新建DualConv.py文件，文件内容如下：

② 修改yolov9/models/yolo.py文件

搜索“parse_model”的部分，进行如下修改：

2 配置文件

yolov9-c_DualConv.yaml的内容与原始文件对比如下：

backbone

head

3 训练

上述修改完毕后，我们开始训练吧！🌺🌺🌺

训练示例：

cd yolov9项目路径# 激活yolov9环境
conda activate yolov9# 开始训练
python3 train_dual.py --cfg=models/detect/yolov9-c_DualConv.yaml --data=data/fire.yaml --epoch=100 --batch-size=4 --imgsz=640 --hyp=data/hyps/hyp.scratch-high.yaml